据联合国《世界城市化展望》报告,预计到2050年将有68%的世界人口生活在城市地区。对此,建设智慧城市、挖掘城市地理大数据信息有助于促进人与自然协调发展。其中,城市几何空间是基础地理实体表达的载体,其基本信息表达是地表覆盖分类。此外,自然资源部将启动“十四五”基础测绘规划编制工作,推动实景三维中国建设,意在将城市基础地理表达载体由二维推向三维。因此,城市地表覆盖亟需从二维走向三维,以提升地理空间数据的实体三维表征、高层次集成和互操作能力。激光雷达探测技术（Light Detection And Ranging,简称LiDAR）对地球表面进行三维密集采样,以三维点云这种模态刻画复杂现实世界,可作为地表覆盖三维分类的几何载体。但是,LiDAR点云的数据量大、冗余度高、非结构化、采样粒度不均等典型特征,给复杂城市环境下地表覆盖三维分类带来了巨大挑战。近年来,深度学习在摄影测量与遥感领域得到广泛应用。与此同时,结合当下日益完善的众源地图Open Street Map（简称OSM）所标注的知识信息,以及结构性强、波段信息丰富的遥感光学影像,有助于推动实景三维走向实体三维,满足城市地理大数据挖掘所需要的语义化、结构化的地表覆盖三维分类产品。尽管光学影像、众源地图等其他表示空间信息的模态可为以城市LiDAR点云为载体的地表覆盖三维分类提供互补信息,但也面临着多模态数据异质性强、耦合难度大的挑战。二维光学影像映射到三维空间存在着信息升维的难点;OSM众源标注信息常被用来做遥感数据分类时的真实值,或生成道路距离度量特征,尚未完全发挥其作用。鉴于此,本学位论文利用机器学习中监督学习、无监督学习、深度神经网络等的特点,耦合LiDAR点云、光学影像、OSM众源标注等多模态数据,以实现高质量、智能化的城市地表覆盖三维分类。研究使用国际摄影测量与遥感学会提供的公开数据集验证了所提出的策略的可行性与效能提升。主要研究内容和创新贡献包括:（1）面向合理利用LiDAR点云稳定的几何信息与波动的强度信息,提出了几何信息与强度信息分层次耦合分类方法。分层次耦合策略利用监督学习处理LiDAR稳定的几何信息,得到监督分类结果;无监督学习利用波动的强度信息重分类监督分类结果中地面地物;设计启发式规则融合二者的结果。与没有强度信息的监督学习相比,分层次耦合分类策略获得更高的分类精度:低矮植被提升了5.68%,不透水地面提升了7.77%。另外,与监督学习使用强度不同,分层次耦合分类策略借助无监督学习处理强度,可在其他数据上重新估计参数,以适应强度信息的波动。（2）为了解决三维训练数据缺乏并利用充足的二维神经网络预训练模型,发展了先验级的三维LiDAR点云与二维光学影像耦合分类方法。利用二维深度卷积网络分类多波段光学影像得到地表覆盖二维分类,将其作为先验结果加入三维深度学习分类网络,建立二维与三维分类之间的关系。与点级、特征级、决策级的LiDAR点云与光学影像的耦合策略相比,先验级耦合策略分类策略可以降低训练过程的损失,获得更好的分类效果。其中,点级的总体精度为79.86%,特征级的为76.22%,决策级的F1为81.12%,先验级的为82.47%。（3）针对OSM标注的稀疏性及表达OSM标注对其他地物对象的影响,构建了LiDAR点云与OSM标注信息流耦合分类方法。以图神经网络为理论依据,使用超分割LiDAR点云的结果构建超点邻接图;利用Piont Net嵌入超点特征并设计邻接图边特征;关联OSM标注于超点,将其纳入基于图卷积网络的超点特征更新以实现OSM标注信息的全局传递。与未耦合OSM的图神经网络相比,信息流耦合分类策略在多个类别上均取得较优的性能。这种提升主要得益于OSM的引入避免了图神经网络状态传递趋于一致,以及学习过程更加倾向于其他难分地物。上述的三项研究内容较原有基础均取得了一定的提升,但目前尚未将这些优势集成到统一模型,这将是笔者继续研究的主要内容。